Elasticsearch 系列(四)- DSL实现自动补全查询
本章将和大家分享如何通过 Elasticsearch 实现自动补全查询功能。一、自动补全-安装拼音分词器
1、自动补全需求说明
当用户在搜索框输入字符时,我们应该提示出与该字符有关的搜索项,如图:
2、使用拼音分词
要实现根据字母做补全,就必须对文档按照拼音分词。在 GitHub 上恰好有 Elasticsearch 的拼音分词插件。地址:https://github.com/infinilabs/analysis-pinyin
安装方式与IK分词器一样,分三步:
1)解压
2)上传到 Elasticsearch 的 plugins 目录下
3)重启 Elasticsearch
4)测试
首先从 GitHub 上下载 Elasticsearch 的拼音分词插件,如下所示:
下载完成后,将其解压出来,然后将解压后的文件夹名称重命名为 “py” ,最后把它复制到 Elasticsearch 的 plugins 目录下,如下所示:
安装完成后,需要重启一下 Elasticsearch ,如下所示:
可以发现拼音分词器插件安装成功了。
最后我们来测试一下:
# 测试拼音分词
POST /_analyze
{
"text": "如家酒店还不错",
"analyzer": "pinyin"
}
运行结果如下:
{
"tokens" : [
{
"token" : "ru",
"start_offset" : 0,
"end_offset" : 0,
"type" : "word",
"position" : 0
},
{
"token" : "rjjdhbc",
"start_offset" : 0,
"end_offset" : 0,
"type" : "word",
"position" : 0
},
{
"token" : "jia",
"start_offset" : 0,
"end_offset" : 0,
"type" : "word",
"position" : 1
},
{
"token" : "jiu",
"start_offset" : 0,
"end_offset" : 0,
"type" : "word",
"position" : 2
},
{
"token" : "dian",
"start_offset" : 0,
"end_offset" : 0,
"type" : "word",
"position" : 3
},
{
"token" : "hai",
"start_offset" : 0,
"end_offset" : 0,
"type" : "word",
"position" : 4
},
{
"token" : "bu",
"start_offset" : 0,
"end_offset" : 0,
"type" : "word",
"position" : 5
},
{
"token" : "cuo",
"start_offset" : 0,
"end_offset" : 0,
"type" : "word",
"position" : 6
}
]
}从该查询结果可以看出拼音分词器存在的一些问题:
1)第一个问题是拼音分词器它不会分词。
2)第二个问题是它把一句话里面的每一个字都形成了拼音,这对我们来说不仅没什么用,而且还会占用空间。
3)第三个问题是拼音分词结果中没有汉字只剩下了拼音,而实际上我们用拼音搜索的情况是占少数的,大多数情况下其实我们是想通过中文去搜索的,所以说有拼音是锦上添花,但是不能把汉字给扔了,汉字也得保留。
这是我们拼音分词器目前所面临的几个问题,因此我们就必须得对拼音分词器做一些配置或者叫做自定义了,那么怎么样才能实现自定义分词器呢?
二、自动补全-自定义分词器
Elasticsearch中分词器(analyzer)的组成包含三部分:
[*]character filters:在tokenizer之前对文本进行处理。例如:删除字符、替换字符。
[*]tokenizer:将文本按照一定的规则切割成词条(term)。例如:keyword 就是不分词、还有ik_smart 。
[*]tokenizer filter:对tokenizer输出的词条做进一步的处理。例如:大小写转换、同义词处理、拼音处理等。
我们可以在创建索引库时,通过settings来配置自定义的analyzer(分词器):
PUT /test
{
"settings": {
"analysis": {
"analyzer": { //自定义分词器
"my_analyzer": { //自定义分词器的名称
"tokenizer": "ik_max_word",
"filter": "pinyin"
}
}
}
}
}上面这个只是解决了拼音分词器分词的问题,因此还需要对拼音分词器做进一步的定制,如下所示:
# 自定义拼音分词器
PUT /test
{
"settings": {
"analysis": {
"analyzer": { //自定义分词器
"my_analyzer": { //自定义分词器名称
"tokenizer": "ik_max_word",
"filter": "py" //过滤器名称,可以是自定义的过滤器
}
},
"filter": { //自定义tokenizer filter
"py": { //自定义过滤器的名称,可随意取
"type": "pinyin", //过滤器类型,这里是pinyin
"keep_full_pinyin": false, //修改可选参数,具体可参考拼音分词器GitHub官网
"keep_joined_full_pinyin": true,
"keep_original": true,
"limit_first_letter_length": 16,
"remove_duplicated_term": true,
"none_chinese_pinyin_tokenize": false
}
}
}
},
"mappings": {
"properties": {
"name": {
"type": "text",
"analyzer": "my_analyzer" //使用自定义分词器
}
}
}
}拼音分词器更多可选参数可参考GitHub官网:https://github.com/infinilabs/analysis-pinyin
test索引库创建完成后,下面我们来测试下:
# 测试自定义分词器
POST /test/_analyze
{
"text": [
"如家酒店还不错"
],
"analyzer": "my_analyzer"
}注意:在test索引库中自定义的分词器也只能在test索引库中使用。
运行结果如下:
{
"tokens" : [
{
"token" : "如家",
"start_offset" : 0,
"end_offset" : 2,
"type" : "CN_WORD",
"position" : 0
},
{
"token" : "rujia",
"start_offset" : 0,
"end_offset" : 2,
"type" : "CN_WORD",
"position" : 0
},
{
"token" : "rj",
"start_offset" : 0,
"end_offset" : 2,
"type" : "CN_WORD",
"position" : 0
},
{
"token" : "酒店",
"start_offset" : 2,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 1
},
{
"token" : "jiudian",
"start_offset" : 2,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 1
},
{
"token" : "jd",
"start_offset" : 2,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 1
},
{
"token" : "还不",
"start_offset" : 4,
"end_offset" : 6,
"type" : "CN_WORD",
"position" : 2
},
{
"token" : "haibu",
"start_offset" : 4,
"end_offset" : 6,
"type" : "CN_WORD",
"position" : 2
},
{
"token" : "hb",
"start_offset" : 4,
"end_offset" : 6,
"type" : "CN_WORD",
"position" : 2
},
{
"token" : "不错",
"start_offset" : 5,
"end_offset" : 7,
"type" : "CN_WORD",
"position" : 3
},
{
"token" : "bucuo",
"start_offset" : 5,
"end_offset" : 7,
"type" : "CN_WORD",
"position" : 3
},
{
"token" : "bc",
"start_offset" : 5,
"end_offset" : 7,
"type" : "CN_WORD",
"position" : 3
}
]
}可以看出,搜索结果中既有汉字、又有拼音、还有分词,这完全符合我们的预期。
但是需要特别注意的是:拼音分词器适合在创建倒排索引的时候使用,不适合在搜索的时候使用。下面我们通过一个例子来说明:
往test索引库中加入2条测试数据,如下所示:
POST /test/_doc/1
{
"id": 1,
"name": "狮子"
}
POST /test/_doc/2
{
"id": 2,
"name": "虱子"
}接着我们搜索“掉入狮子笼咋办”,如下所示:
GET /test/_search
{
"query": {
"match": {
"name": "掉入狮子笼咋办"
}
}
}运行结果如下:
可以发现,其实我们是想找“狮子”,但是它把同音字“虱子” 也搜索出来了。下面我们通过一张图来了解一下这个过程,如下所示:
由此可见,拼音分词器适合在创建倒排索引的时候使用,但不能在搜索的时候使用。
正确的做法是:字段在创建倒排索引时应该用my_analyzer分词器,而字段在搜索时应该使用ik_smart分词器。如下所示:
# 自定义拼音分词器
PUT /test
{
"settings": {
"analysis": {
"analyzer": { //自定义分词器
"my_analyzer": { //自定义分词器名称
"tokenizer": "ik_max_word",
"filter": "py" //过滤器名称,可以是自定义的过滤器
}
},
"filter": { //自定义tokenizer filter
"py": { //自定义过滤器的名称,可随意取
"type": "pinyin", //过滤器类型,这里是pinyin
"keep_full_pinyin": false, //修改可选参数,具体可参考拼音分词器GitHub官网
"keep_joined_full_pinyin": true,
"keep_original": true,
"limit_first_letter_length": 16,
"remove_duplicated_term": true,
"none_chinese_pinyin_tokenize": false
}
}
}
},
"mappings": {
"properties": {
"name": {
"type": "text",
"analyzer": "my_analyzer", //创建倒排索引时使用自定义分词器
"search_analyzer": "ik_smart" //搜索时应该使用ik_smart分词器
}
}
}
}总结:
1、如何使用拼音分词器?
[*]下载 pinyin 分词器
[*]解压并放到 Elasticsearch 的 plugins 目录
[*]重启即可
2、如何自定义分词器?
[*]创建索引库时,在 settings 中配置,可以包含三部分
[*]character filter
[*]tokenizer
[*]filter
3、拼音分词器注意事项?
[*]为了避免搜索到同音字,搜索时不要使用拼音分词器。
三、自动补全-DSL实现自动补全查询
Elasticsearch 提供了 Completion Suggester 查询来实现自动补全功能。官方文档地址:https://www.elastic.co/guide/en/elasticsearch/reference/7.6/search-suggesters.html#completion-suggester
这个查询会匹配以用户输入内容开头的词条并返回。为了提高补全查询的效率,对于文档中字段的类型有一些约束:
[*]参与补全查询的字段必须是completion类型。
[*]字段的内容一般是用来补全的多个词条形成的数组。
# 创建索引库
PUT test
{
"mappings": {
"properties": {
"title": {
"type": "completion"
}
}
}
}# 示例数据
POST test/_doc
{
"title": [
"Sony",
"WH-1000XM3"
]
}
POST test/_doc
{
"title": [
"SK-II",
"PITERA"
]
}
POST test/_doc
{
"title": [
"Nintendo",
"switch"
]
}查询语法如下:
# 自动补全查询
GET /test/_search
{
"suggest": {
"title_suggest": { //自动补全查询的名称(自定义的名称)
"text": "s",//搜索关键字
"completion": {
"field": "title", //自动补全查询的字段
"skip_duplicates": true, //跳过重复的
"size": 10 //获取前10条结果
}
}
}
}查询结果如下:
{
"took" : 0,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 0,
"relation" : "eq"
},
"max_score" : null,
"hits" : [ ]
},
"suggest" : {
"title_suggest" : [
{
"text" : "s",
"offset" : 0,
"length" : 1,
"options" : [
{
"text" : "SK-II",
"_index" : "test",
"_type" : "_doc",
"_id" : "2CJaPY4Bne6OHhy3cho1",
"_score" : 1.0,
"_source" : {
"title" : [
"SK-II",
"PITERA"
]
}
},
{
"text" : "Sony",
"_index" : "test",
"_type" : "_doc",
"_id" : "1yJaPY4Bne6OHhy3WBoZ",
"_score" : 1.0,
"_source" : {
"title" : [
"Sony",
"WH-1000XM3"
]
}
},
{
"text" : "switch",
"_index" : "test",
"_type" : "_doc",
"_id" : "2SJaPY4Bne6OHhy3fBod",
"_score" : 1.0,
"_source" : {
"title" : [
"Nintendo",
"switch"
]
}
}
]
}
]
}
}自动补全对字段的要求:
[*]类型是completion类型
[*]字段值是多词条的数组
四、自动补全-酒店数据自动补全(案例)
案例:实现hotel索引库的自动补全、拼音搜索功能
实现思路如下:
1、修改hotel索引库结构,设置自定义拼音分词器。
2、修改索引库的name、all字段,使用自定义分词器。
3、索引库添加一个新字段suggestion,类型为completion类型,使用自定义的分词器。
4、给HotelDoc类添加suggestion字段,内容包含brand、business 。
5、重新导入数据到hotel索引库
注意:name、all是可分词的,自动补全的brand、business是不可分词的,要使用不同的分词器组合。
# 创建酒店数据索引库
PUT /hotel
{
"settings": {
"analysis": {
"analyzer": {
"text_anlyzer": { //自定义分词器,在创建倒排索引时使用
"tokenizer": "ik_max_word",
"filter": "py" //自定义过滤器py
},
"completion_analyzer": { //自定义分词器,用于实现自动补全
"tokenizer": "keyword", //不分词
"filter": "py" //自定义过滤器py
}
},
"filter": { //自定义tokenizer filter
"py": { //自定义过滤器的名称,可随意取
"type": "pinyin",
"keep_full_pinyin": false, //可选参数配置,具体可参考拼音分词器Github官网
"keep_joined_full_pinyin": true,
"keep_original": true,
"limit_first_letter_length": 16,
"remove_duplicated_term": true,
"none_chinese_pinyin_tokenize": false
}
}
}
},
"mappings": {
"properties": {
"id": {
"type": "keyword" //不分词
},
"name": {
"type": "text", //分词
"analyzer": "text_anlyzer", //在创建倒排索引时使用自定义分词器text_anlyzer
"search_analyzer": "ik_smart", //在搜索时使用ik_smart
"copy_to": "all" //拷贝到all字段
},
"address": {
"type": "keyword",
"index": false //不创建倒排索引,不参与搜索
},
"price": {
"type": "integer"
},
"score": {
"type": "integer"
},
"brand": {
"type": "keyword",
"copy_to": "all" //拷贝到all字段
},
"city": {
"type": "keyword"
},
"starName": {
"type": "keyword"
},
"business": {
"type": "keyword",
"copy_to": "all" //拷贝到all字段
},
"location": {
"type": "geo_point" //geo_point地理坐标类型
},
"pic": {
"type": "keyword",
"index": false //不创建倒排索引,不参与搜索
},
"all": { //该字段主要用于搜索,没有实际意义,且在搜索结果的原始文档中你是看不到该字段的
"type": "text",
"analyzer": "text_anlyzer", //在创建倒排索引时使用自定义分词器text_anlyzer
"search_analyzer": "ik_smart" //在搜索时使用ik_smart
},
"suggestion": { //自动补全搜索字段
"type": "completion", //completion为自动补全类型
"analyzer": "completion_analyzer" //自动补全使用自定义分词器completion_analyzer
}
}
}
}由于hotel索引库发生了变更,因此我们需要重新初始化一下ES的数据,此处我采用了.net代码实现了将酒店数据批量导入到ES中,关键代码如下所示:
Hotel类(酒店数据):
using SqlSugar;
namespace Demo.Domain.Entities
{
/// <summary>
/// 酒店数据
/// </summary>
//指定数据库表名
public class Hotel
{
/// <summary>
/// 酒店id
/// </summary>
//数据库是主键需要加上IsPrimaryKey
public long id { get; set; }
/// <summary>
/// 酒店名称
/// </summary>
public string name { get; set; }
/// <summary>
/// 酒店地址
/// </summary>
public string address { get; set; }
/// <summary>
/// 酒店价格
/// </summary>
public int price { get; set; }
/// <summary>
/// 酒店评分
/// </summary>
public int score { get; set; }
/// <summary>
/// 酒店品牌
/// </summary>
public string brand { get; set; }
/// <summary>
/// 所在城市
/// </summary>
public string city { get; set; }
/// <summary>
/// 酒店星级
/// </summary>
//指定数据库表字段
public string starName { get; set; }
/// <summary>
/// 商圈
/// </summary>
public string business { get; set; }
/// <summary>
/// 纬度
/// </summary>
public string latitude { get; set; }
/// <summary>
/// 经度
/// </summary>
public string longitude { get; set; }
/// <summary>
/// 酒店图片
/// </summary>
public string pic { get; set; }
}
}View CodeHotelDoc类(酒店数据对应的ES文档):
using System;
namespace Demo.Domain.Docs
{
/// <summary>
/// 酒店数据对应的ES文档
/// </summary>
public class HotelDoc
{
/// <summary>
/// 酒店id
/// </summary>
public long id { get; set; }
/// <summary>
/// 酒店名称
/// </summary>
public string name { get; set; }
/// <summary>
/// 酒店地址
/// </summary>
public string address { get; set; }
/// <summary>
/// 酒店价格
/// </summary>
public int price { get; set; }
/// <summary>
/// 酒店评分
/// </summary>
public int score { get; set; }
/// <summary>
/// 酒店品牌
/// </summary>
public string brand { get; set; }
/// <summary>
/// 所在城市
/// </summary>
public string city { get; set; }
/// <summary>
/// 酒店星级
/// </summary>
public string starName { get; set; }
/// <summary>
/// 商圈
/// </summary>
public string business { get; set; }
/// <summary>
/// 纬度
/// </summary>
//public string latitude { get; set; }
/// <summary>
/// 经度
/// </summary>
//public string longitude { get; set; }
/// <summary>
/// 地理坐标字段(将经度和纬度字段合并成一个地理坐标字段)
/// 将经度和纬度的字段值用英文逗号拼在一起,例如:"40.048969, 116.619566"
/// </summary>
public string location { get; set; }
/// <summary>
/// 酒店图片
/// </summary>
public string pic { get; set; }
/// <summary>
/// 自动补全搜索字段
/// </summary>
public List<string> suggestion { get; set; }
}
}View CodeHotel类 和 HotelDoc类 二者的映射关系:
using AutoMapper;
using Demo.Domain.Docs;
using Demo.Domain.Entities;
namespace Demo.Domain.AutoMapperConfigs
{
public class MyProfile : Profile
{
public MyProfile()
{
// 配置 mapping 规则
CreateMap<Hotel, HotelDoc>()
.AfterMap((tbl, doc) =>
{
#region 地理坐标字段处理
if (!string.IsNullOrEmpty(tbl.latitude) && !string.IsNullOrEmpty(tbl.longitude))
{
//将经度和纬度的字段值用英文逗号拼在一起,例如:"40.048969, 116.619566"
doc.location = string.Format(@"{0}, {1}", tbl.latitude, tbl.longitude);
}
#endregion
#region 自动补全搜索字段处理
var suggestionList = new List<string>();
if (!string.IsNullOrEmpty(tbl.brand))
{
//品牌
suggestionList.Add(tbl.brand);
}
if (!string.IsNullOrEmpty(tbl.business))
{
//商圈
if (tbl.business.Contains("/"))
{
suggestionList.AddRange(tbl.business.Split('/'));
}
else
{
suggestionList.Add(tbl.business);
}
}
doc.suggestion = suggestionList;
#endregion
});
}
}
}View Code将酒店数据批量插入到ES中:
using Microsoft.AspNetCore.Mvc;
using AutoMapper;
using Demo.Domain.Docs;
using Demo.Domain.Entities;
using Demo.Infrastructure.Repositories;
using TianYaSharpCore.Elasticsearch;
namespace Demo.MVC.Controllers
{
public class HomeController : Controller
{
private readonly HotelRepository _hotelRepository;
private readonly IElasticClientProvider _elasticClientProvider;
private readonly IMapper _mapper;
public HomeController(HotelRepository hotelRepository, IElasticClientProvider elasticClientProvider, IMapper mapper)
{
_hotelRepository = hotelRepository;
_elasticClientProvider = elasticClientProvider;
_mapper = mapper;
}
public async Task<IActionResult> Index()
{
//从数据库中查出所有的酒店数据
var hotelList = await _hotelRepository._sqlSugarClient.Queryable<Hotel>().ToListAsync();
//实体转换
var hotelDocList = _mapper.Map<List<HotelDoc>>(hotelList);
//使用Nest将酒店数据批量插入到ES中
var asyncBulkIndexResponse = await _elasticClientProvider.ElasticLinqClient.BulkAsync(bulk => bulk
.Index("hotel")
.IndexMany(hotelDocList)
);
return View();
}
}
}View CodeES数据初始化完成后,最后我们再去试一下酒店数据的自动补全查询,如下所示:
# 自动补全查询
GET /hotel/_search
{
"suggest": {
"mySuggestion": {
"text": "sd",
"completion": {
"field": "suggestion",
"skip_duplicates": true,
"size": 10
}
}
}
}运行结果如下所示:
{
"took" : 1,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 0,
"relation" : "eq"
},
"max_score" : null,
"hits" : [ ]
},
"suggest" : {
"mySuggestion" : [
{
"text" : "sd",
"offset" : 0,
"length" : 2,
"options" : [
{
"text" : "上地产业园",
"_index" : "hotel",
"_type" : "_doc",
"_id" : "2359697",
"_score" : 1.0,
"_source" : {
"id" : 2359697,
"name" : "如家酒店(北京上地安宁庄东路店)",
"address" : "清河小营安宁庄东路18号20号楼",
"price" : 420,
"score" : 46,
"brand" : "如家",
"city" : "北京",
"starName" : "二钻",
"business" : "上地产业园/西三旗",
"location" : "40.041322, 116.333316",
"pic" : "https://m.tuniucdn.com/fb3/s1/2n9c/2wj2f8mo9WZQCmzm51cwkZ9zvyp8_w200_h200_c1_t0.jpg",
"suggestion" : [
"如家",
"上地产业园",
"西三旗"
]
}
},
{
"text" : "首都机场",
"_index" : "hotel",
"_type" : "_doc",
"_id" : "395702",
"_score" : 1.0,
"_source" : {
"id" : 395702,
"name" : "北京首都机场希尔顿酒店",
"address" : "首都机场3号航站楼三经路1号",
"price" : 222,
"score" : 46,
"brand" : "希尔顿",
"city" : "北京",
"starName" : "五钻",
"business" : "首都机场/新国展地区",
"location" : "40.048969, 116.619566",
"pic" : "https://m.tuniucdn.com/fb2/t1/G6/M00/52/10/Cii-U13ePtuIMRSjAAFZ58NGQrMAAGKMgADZ1QAAVn_167_w200_h200_c1_t0.jpg",
"suggestion" : [
"希尔顿",
"首都机场",
"新国展地区"
]
}
}
]
}
]
}
}至此本文就全部介绍完了,如果觉得对您有所启发请记得点个赞哦!!!
Demo源码:
链接:https://pan.baidu.com/s/15y_laomAAag6Ruo7I0EMGw
提取码:et4b此文由博主精心撰写转载请保留此原文链接:https://www.cnblogs.com/xyh9039/p/18063462
版权声明:如有雷同纯属巧合,如有侵权请及时联系本人修改,谢谢!!!
来源:https://www.cnblogs.com/xyh9039/p/18063462
免责声明:由于采集信息均来自互联网,如果侵犯了您的权益,请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容,谢谢合作!
页:
[1]